该论文提出了一种针对基于网格的 NeRF 模型的效率压缩方法，使用非线性变换编码范式和神经压缩对模型的特征网格进行压缩，引入重要性加权的失真率目标和利用掩蔽机制的稀疏熵模型以利用潜在特征网格的空间不均匀性，实验证明该方法在基于网格的 NeRF 压缩效率和重建质量方面优于现有工作。

Jun, 2024

通过使用非线性转换、量化和熵编码实现记忆高效的场景表示，我们提出了 NeRFCodec ，这是一个端到端的 NeRF 压缩框架，它利用预训练的神经 2D 图像编解码器对特征进行压缩，从而使得我们能在 0.5 MB 的内存预算下实现高质量的新视角合成。

Apr, 2024

该研究提出了一个新的框架用于实现对大型城市场景的高保真渲染，该框架运用了一种简化的多分辨率地面特征平面表示来捕捉场景，并通过另一个 NeRF 分支的位置编码输入进行补充，以联合学习的方式进行渲染。

Mar, 2023

该研究论文介绍了 VideoRF，这是第一个能够在移动平台上实时流式传输和渲染动态辐射场的方法，通过使用特定的训练方案和渲染流水线，实现了在移动设备上的高效实时渲染。

Dec, 2023

Hyb-NeRF 是一种新颖的神经辐射场，具有多分辨率混合编码，实现了高效的神经建模和快速渲染，同时允许高质量的新视角合成。它通过从粗到细的分辨率级别使用不同的编码策略来表示场景，并利用可学习的位置特征以及基于哈希的特征网格的快速优化速度和局部细节。此外，为了进一步提高性能，还将锥形跟踪特征嵌入到可学习的位置编码中，消除了编码的歧义性并减少了走样伪影。广泛的合成和实际数据集实验证明，与以往最先进方法相比，Hyb-NeRF 在更快的渲染速度、更好的渲染质量和更低的内存占用方面取得了优势。

Nov, 2023

通过设计较为简化的能力增强模型，我们观察到较好的深度监督效果，进而提高稀疏视图下的主要辐射场的视图合成性能。

Apr, 2024

本文提出了一种紧凑且直接预测射线上积分辐射度的新型神经光场表示方法，支持小基线光场数据集每像素一次网络评估的渲染，并可应用于大基线场景。

Dec, 2021

我们提出了一种多空间神经辐射场（MS-NeRF），通过在并行子空间中表示场景的特征场组，以更好地理解神经网络对具有反射和折射性物体的存在的情况，从而实现了对现有 NeRF 方法的增强，且仅需要小的计算开销。在由 25 个合成场景和 7 个具有复杂反射和折射的真实捕捉场景组成的新颖构建数据集上进行的比较表明，我们的方法比现有的单空间 NeRF 方法在渲染复杂光路的镜像对象的高质量场景方面表现显著优于现有的单空间 NeRF 方法。

May, 2023

使用渲染和信号处理中的思想，将 mip-NeRF 360 和基于网格的模型相结合，使误差比之前的技术低 8%-76%，并且训练速度比 mip-NeRF 360 快 22 倍。

Apr, 2023

本文提出了一种使用压缩方法从紧凑的角度追求较小体积的神经辐射场的简单而有效的框架，该方法利用网格模型固有的代表特性，开发了非一致压缩方法以显着减少模型复杂性，并引入了名为 “神经码书” 的新颖参数化模块，通过快速优化来更好地编码每个场景模型的高频细节，从而实现对网格模型存储量的超过 40 倍的减少，在具有竞争性的渲染质量和 180 fps 的实时渲染速度的同时，相对于实时渲染方法而言具有存储成本的显著优势。

May, 2023